Core ML

Core ML 针对各种类型模型的设备端性能进行了优化,能够充分利用 Apple 硬件并尽可能地减少内存占用空间和功耗。

更深入地体验 Core ML

完全在设备端运行模型

Core ML 模型会严格地仅在用户的设备上运行,因此无需任何网络连接,让您的 App 保持响应灵敏的同时保护用户数据的私密性。

运行先进的神经网络

Core ML 支持最新的模型,例如设计用于理解图像、视频、声音和其他富媒体的先进神经网络。

将模型转换为 Core ML

使用 Core ML 转换器可以将来自 TensorFlow 或 PyTorch 等库的模型转换为 Core ML,这种操作比以往更加轻松简单。

在设备端对模型进行个性化设置

App 中内置的模型可以在设备端使用用户数据进行更新,在不侵犯隐私的情况下,帮助确保模型与用户行为保持相关。

打开了 Xcode 窗口的 Mac Studio 和 Apple Studio Display。

Xcode 整合

Core ML 与 Xcode 紧密集成。在编写任何代码之前,先探索您的模型的行为和性能。利用自动生成的 Swift 和 Objective-C 接口,轻松地将模型整合到您的 App 中。利用 Core ML神经网络引擎 Instrument 对您 App 的 Core ML 支持的功能进行性能分析。

性能报告新增

无需编写任何代码,即可生成在互联设备上测量到的模型性能报告。查看负载和预测时间的摘要以及计算单元使用情况的详细分析。

使用 Instrument 进行性能分析新增

使用 Core ML Instrument 对 App 进行性能分析,以查看 Core ML API 调用和相关模型。了解 Core ML 将工作调度给硬件的时间和位置,同时更明确地了解 Metal 和新的神经网络引擎 Instrument。

实时预览

您可以直接在 Xcode 中预览模型对示例数据文件的行为,也能通过设备摄像头和麦克风实时预览。

部署模型

借助 Core ML 模型部署,您可以利用 CloudKit 轻松地将模型分发到您的 App。

加密模型

Xcode 支持模型加密,从而为您的机器学习模型提供了额外的安全保障。

功能强大的 Apple 芯片

Core ML 旨在以最有效的方式充分发挥强大的硬件技术优势,包括 CPU、GPU 和神经网络引擎,以便尽可能地提高性能,同时尽量减少内存占用和功耗。

开始使用 Core ML

Create ML

无需编写任何代码,直接在您的 Mac 上构建和训练 Core ML 模型。

进一步了解

Core ML 转换器

使用 coremltools Python 软件包,将来自第三方训练库的模型转换为 Core ML。

进一步了解

模型

借助机器学习社区中那些已转换为 Core ML 的模型入手学习。

浏览模型